Почему изысканность победит в секторе Machine Learning Ops

Не существует сомнений в том, что операции машинного обучения (MLOps) – это развивающийся сектор. Рынок предполагается достигнуть 700 миллионов долларов к 2025 году – почти в четыре раза больше, чем в 2020 году. 

Однако, хотя эти решения технически звучны и мощны, они не принесли ожидаемого дохода, что вызвало обеспокоенность по поводу будущего роста.

Я могу понять пессимизм, окружающий это пространство, поскольку я провел первые 20 лет своей карьеры, эффективно создавая внутренние инструменты MLOps в известной инвестиционной компании. Более недавно, я инвестировал в стартапы MLOps, но они медленно достигали уровня дохода, который я ожидал. Основываясь на моем положительном и отрицательном опыте с MLOps, я понимаю, почему эти стартапы боролись и почему они теперь готовы к росту.

Инструменты MLOps являются критически важными для компаний, развертывающих модели и алгоритмы, основанные на данных. Если вы разрабатываете программное обеспечение, вам нужны инструменты, которые позволяют вам диагностировать и предвидеть проблемы с программным обеспечением, которые могут вызвать значительные потери дохода из-за его отказа. То же самое относится и к компаниям, которые разрабатывают решения, основанные на данных. Если у вас нет адекватных инструментов MLOps для оценки моделей, мониторинга данных, отслеживания дрейфа параметров и производительности моделей, а также отслеживания прогнозируемой и фактической производительности моделей, то, вероятно, вам не следует использовать модели в задачах, критичных для производства.

Однако компании, развертывающие решения, основанные на машинном обучении, без глубоких знаний и опыта, не признают необходимость более изысканных инструментов и не понимают ценность низкоуровневой технической интеграции. Они более комфортно чувствуют себя с инструментами, работающими на внешних факторах, даже если они менее эффективны, поскольку они менее навязчивы и представляют более низкую стоимость принятия и риск, если инструменты не оправдают ожиданий.

Напротив, компании с командами машинного обучения, обладающими более глубокими знаниями и опытом, считают, что они могут построить эти инструменты самостоятельно и не хотят принимать решения третьих сторон. Кроме того, проблемы, возникающие из-за недостатков инструментов MLOps, не всегда легко выявить или диагностировать – они появляются как неудачи моделирования, а не операционные неудачи. В результате компании, развертывающие решения, основанные на машинном обучении, будь то технически изощренные или неопытные, медленно принимают.

Но все начинает меняться. Компании теперь признают ценность изысканных, глубоко интегрированных инструментов MLOps. Либо они испытали проблемы, возникшие из-за отсутствия этих инструментов, либо они увидели, как их конкуренты страдают от их отсутствия во многих высокопрофильных неудачах, и теперь вынуждены учиться о более сложных решениях MLOps.

Те компании MLOps, которые пережили зимний период доходов до сих пор, должны увидеть оттепель на рынке и рост возможностей продаж.

Компании, продающие поверхностные решения, начнут терять бизнес в пользу более интегрированных решений, которые труднее понять и принять, но предоставляют более полные услуги мониторинга, отладки и исправления для своих клиентов. Разработчикам программного обеспечения MLOps следует сохранять веру в то, что создание мощного программного обеспечения, которое решает проблемы более глубоким и тщательным образом, победит в долгосрочной перспективе поверх простых решений, которые дают немедленные результаты, но не решают всю широту проблем, с которыми сталкиваются их клиенты.